Dátová veda s Jupyterom: Jupiter: Osvojte si zručnosti v oblasti vedy o údajoch pomocou jednoduchých príkladov v jazyku Python

Recenzie čitateľov

Kniha získala zmiešané recenzie, niektorí používatelia ju považujú za užitočnú pre začiatočníkov v oblasti dátovej vedy, zatiaľ čo iní kritizujú jej hĺbku a zrozumiteľnosť, najmä pri vysvetľovaní syntaxe jazyka Python a používania Jupyteru.

Niektorí čitatelia oceňujú knihu pre jej užitočnosť pri revízii pojmov a zrozumiteľný jazyk pre začiatočníkov. Pokrýva celý rad tém z oblasti dátovej vedy a je považovaná za slušný východiskový bod pre záujemcov o túto oblasť.

Mnohí recenzenti poukazujú na nedostatočnú hĺbku knihy, slabé vysvetlenia a nedostatočné pokrytie syntaxe jazyka Python. Kritici spomínajú, že na to, aby bola užitočná, vyžaduje predchádzajúce znalosti v oblasti dátovej vedy a programovania, a niektorí považujú obsah za nedostatočný na seriózne štúdium.

(na základe 11 čitateľských recenzií)

Pôvodný názov:

Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples

Obsah knihy:

Sprievodca krok za krokom na precvičovanie techník dátovej vedy pomocou zápisníkov Jupyter

Popis

Moderné podniky sú zaplavené údajmi, čo spôsobuje, že úlohy rozhodovania založené na údajoch sú čoraz zložitejšie. V dôsledku toho sú na vykonávanie takýchto úloh potrebné príslušné technické znalosti a analytické zručnosti. Cieľom tejto knihy je vybaviť vás práve dostatočnými znalosťami jazyka Python v spojení so zručnosťami pri používaní výkonného nástroja, ako je napríklad zápisník Jupyter, aby ste uspeli v úlohe dátového vedca.

Kniha sa začína stručným úvodom do sveta dátovej vedy a možností, s ktorými sa môžete stretnúť, spolu s prehľadom kľúčových tém, ktoré sú v knihe zahrnuté. Dozviete sa, ako nastaviť inštaláciu programu Anaconda, ktorý sa dodáva s Jupyterom a predinštalovanými balíkmi Pythonu. Predtým, ako sa ponoríte do niekoľkých kontrolovaných, nekontrolovaných a iných techník strojového učenia, naučíte sa používať základné dátové štruktúry, funkcie, knižnice a balíky potrebné na import, čistenie, vizualizáciu a spracovanie údajov. Niekoľko techník strojového učenia, ako je regresia, klasifikácia, zhlukovanie, časové rady atď. bolo vysvetlených pomocou praktických príkladov a porovnaním výkonnosti rôznych modelov.

Na konci knihy sa stretnete s niekoľkými prípadovými štúdiami, ktoré vám pomôžu uplatniť vaše vedomosti v praxi a vyriešiť reálne obchodné problémy, ako je napríklad vytvorenie odporúčacieho systému pre filmy, klasifikácia spamových správ, predpovedanie schopnosti dlžníka splácať úver načas a predpovedanie časových radov cien nehnuteľností. Nezabudnite si precvičiť ďalšie príklady uvedené v balíku kódov v knihe, aby ste si tieto techniky osvojili.

Publikum

Kniha je určená všetkým, ktorí sa chcú venovať dátovej vede, všetkým začínajúcim dátovým vedcom, ktorí sa chcú naučiť najvýkonnejší programovací jazyk v oblasti strojového učenia, alebo pracujúcim profesionálom, ktorí chcú zmeniť svoju kariéru v oblasti dátovej vedy. Hoci sa nepredpokladajú žiadne predchádzajúce znalosti Data Science ani súvisiacich technológií, bude užitočné mať určité skúsenosti s programovaním.

Kľúčové vlastnosti

⬤ Získajte zručnosti v jazyku Python na realizáciu samostatných projektov dátovej vedy.

⬤ Oboznámiť sa so základmi lineárnej algebry a štatistickej vedy na spôsob jazyka Python.

⬤ Pochopiť, ako a kedy sa používajú v dátovej vede.

⬤ Vytvárať prediktívne modely, ladiť ich parametre a analyzovať výkon v niekoľkých krokoch.

⬤ Zoskupovať, transformovať, vizualizovať a získavať poznatky z neoznačených súborov údajov.

⬤ Učte sa používať matplotlib a seaborn na vizualizáciu údajov.

⬤ Zavedenie a uloženie modelov strojového učenia pre reálne obchodné scenáre.

Obsah

⬤  Základy dátovej vedy.

⬤  Inštalácia softvéru a nastavenie.

⬤  Zoznamy a slovníky.

⬤  Funkcie a balíky.

⬤  NumPy Foundation.

⬤  Pandas a Dataframe.

⬤  Interakcia s databázami.

⬤  Štatistické myslenie v dátovej vede.

⬤  Ako importovať údaje v jazyku Python?

⬤  Čistenie importovaných údajov.

⬤  Vizualizácia údajov.

⬤  Predbežné spracovanie údajov.

⬤  Kontrolované strojové učenie.

⬤  Strojové učenie bez dozoru.

⬤  Spracovanie údajov časových radov.

⬤  Metódy časových radov.

⬤  Prípadová štúdia - 1.

⬤  Prípadová štúdia - 2.

⬤  Prípadová štúdia - 3.

⬤  Prípadová štúdia - 4.

O autorovi

Prateek je dátový nadšenec a miluje technológie založené na údajoch. Prateek má celkovo 7 rokov skúseností a v súčasnosti pracuje ako dátový vedec v MNC. Pracoval s klientmi z oblasti financií a maloobchodu a pre ich podnikanie vyvinul riešenia strojového učenia a hlbokého učenia. Jeho oblasťou záujmu je spracovanie prirodzeného jazyka a počítačové videnie. Vo voľnom čase píše príspevky o dátovej vede s Pythonom na svojom blogu.